圖像分割方法綜述【文獻(xiàn)綜述】

《圖像分割方法綜述【文獻(xiàn)綜述】》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、畢業(yè)論文文獻(xiàn)綜述電子信息工程圖像分割方法綜述摘要：圖像分割是圖像理解的基礎(chǔ)，圖像分割的算法研究越來(lái)越受到關(guān)注，早期的圖像分割算法在之后的研究中得到完善?；顒?dòng)輪廓模型是圖像分割和邊界提取的重要工具之一，主要包括了參數(shù)形式活動(dòng)輪廓模型和幾何形式活動(dòng)輪廓模型兩大類，本文對(duì)這兩類模型進(jìn)行了大概的說(shuō)明，簡(jiǎn)單敘述了相對(duì)的優(yōu)點(diǎn)，如幾何活動(dòng)輪廓模型在變形的過(guò)程中能處理曲線拓?fù)渥兓ｈb于活動(dòng)輪廓模型所存在的缺點(diǎn)，提出了水平集算法，使得計(jì)算的范圍和簡(jiǎn)易程度有了很大的發(fā)展。最后指出了圖像分割的算法還有一些進(jìn)一步優(yōu)化的研究發(fā)展方向。關(guān)鍵詞：圖像分割，參數(shù)活動(dòng)輪廓模型，幾何活動(dòng)輪廓

2、模型，水平集1.引言對(duì)圖像進(jìn)行處理，通過(guò)圖像分割、目標(biāo)分離、特征提取、參數(shù)測(cè)量等技術(shù)，將原始的圖象轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。其中圖像分割已經(jīng)越來(lái)越受到人們的關(guān)注，作為一種圖像處理與計(jì)算機(jī)視覺(jué)操作的預(yù)處理手段，已經(jīng)應(yīng)用到了很多的領(lǐng)域，圖像分割可以定義為：根據(jù)圖像特征對(duì)圖像進(jìn)行區(qū)域劃分[1]過(guò)程，圖像分割的效果好壞會(huì)直接影響到后續(xù)的處理結(jié)果，所以圖像分割是一個(gè)基本而又關(guān)鍵的技術(shù)，為此人們提出了很多有效的、具有魯棒性的分割算法。圖像分割方法有很多，按知識(shí)的特點(diǎn)和層次可分為數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)兩大類[2]，前者有Roberts算子

3、、Sobel算子和Canny算子、閾值分割、分水嶺算法和模糊聚類分割算法等；后者是直接建立在先驗(yàn)知識(shí)的基礎(chǔ)上的，如基于活動(dòng)輪廓模型的圖像分割。水平集的應(yīng)用領(lǐng)域是隱含曲線（曲面）的運(yùn)動(dòng)[3]，現(xiàn)在水平集已經(jīng)廣泛應(yīng)用于圖像恢復(fù)、圖像增強(qiáng)、圖像分割、物體跟蹤、形狀檢測(cè)與識(shí)別、曲面重建、最小曲面、最優(yōu)化以及流體力學(xué)中的一些方面。一個(gè)好的圖像分割算法應(yīng)具有以下特點(diǎn)：1、有效性，能將圖像中感興趣的區(qū)域或目標(biāo)分割出來(lái)的有效規(guī)則。2、整體性。能得到圖像中感興趣區(qū)域或目標(biāo)的無(wú)斷點(diǎn)和離散點(diǎn)的封閉邊界。3、精確性，分割所得到的感興趣區(qū)域或目標(biāo)邊界與實(shí)際情況貼近。4、穩(wěn)定性，算法

4、受噪聲的影響性很小。5、自動(dòng)化，分割過(guò)程不需要人工的干預(yù)。但是讓一種具體的圖像分割方法全部滿足上述特點(diǎn)是很難的，各種圖像分割的方法都存在著必然的局限性，所以只能根據(jù)不同的適用領(lǐng)域和所要分割的圖像區(qū)域特征來(lái)選擇所對(duì)應(yīng)的圖像分割方法。2．早期的圖像分割方法早期的圖像分割方法，根據(jù)方法所利用的圖像特征，分為邊界法和區(qū)域法兩類[4]。前者是根據(jù)區(qū)域間像素特征的突變性或不連續(xù)性實(shí)現(xiàn)；后者是通過(guò)架設(shè)分割結(jié)果的某子區(qū)域具有一定的相似性質(zhì)，而不同區(qū)域的像素沒(méi)有共同性質(zhì)，即通過(guò)判斷區(qū)域的相似性來(lái)進(jìn)行的分割。它們都存在著各自的優(yōu)點(diǎn)和缺點(diǎn)，基于區(qū)域分割的方法，常見(jiàn)的有：閾值法[

5、5]，常用的并行區(qū)域分割技術(shù)，閾值是用于區(qū)分不同目標(biāo)的灰度值，選擇合適的閾值是該分割法的關(guān)鍵；區(qū)域生長(zhǎng)法：從圖像的某個(gè)像素出發(fā)，按一定的準(zhǔn)則對(duì)領(lǐng)域像素點(diǎn)進(jìn)行判斷，將符合要求的像素點(diǎn)逐步加入，至滿足一定條件時(shí)終止。此方法計(jì)算簡(jiǎn)單，但需要人為的設(shè)置初始點(diǎn)，對(duì)噪聲敏感；分裂合并法：從整個(gè)圖像出發(fā)，不斷分裂成各個(gè)子區(qū)域，按照一定條件對(duì)前景區(qū)域進(jìn)行合并，該方法雖分割效果好，但算法復(fù)雜，計(jì)算量大，也有可能破壞區(qū)域的邊界等?；谶吘壍姆指钏惴煞譃椴⑿羞吘墮z測(cè)和串行邊緣檢測(cè)兩種[6]，并行邊緣檢測(cè)是基于圖像邊緣處的灰度值不連續(xù)性，而利用微分算子進(jìn)行檢測(cè)，常用的有Robe

6、rts算子，Prewitt算子，Sobel算子，Laplace算子，Marr算子，Krisch算子等。而串行邊界分割不但利用了本身像素的信息，還利用了其他已處理的像素信息，常用的算法有邊界跟蹤。在實(shí)際應(yīng)用中，為了更好的分割效果，經(jīng)常把各種的分割算法結(jié)合起來(lái)用，這也成為了圖像分割的重點(diǎn)研究方向之一。3．圖像分割的發(fā)展3.1參數(shù)形式的活動(dòng)輪廓模型（snake模型）（2-1）1987年，Kass等人提出來(lái)參數(shù)活動(dòng)輪廓模型（Snake模型），（2-1）為Snake模型的能量函數(shù)表示，將一系列的圖像處理問(wèn)題統(tǒng)一的轉(zhuǎn)換為能量極小化的問(wèn)題。跟其他傳統(tǒng)方法一樣，傳統(tǒng)的參數(shù)

7、活動(dòng)輪廓模型存在很多的局限性，由于模型是由演化曲線自身的內(nèi)力和圖像信息的外力構(gòu)成的，由內(nèi)力約束它的形狀，外力引導(dǎo)它的行為，模型外力的作用范圍小是很大的缺陷，而且，這個(gè)方法對(duì)輪廓的初始位置敏感，不能收斂到輪廓的凹陷區(qū)域及處理拓?fù)渥兓?jì)算復(fù)雜度也很高。針對(duì)外力的缺陷，在后期的研究中產(chǎn)生了很多改進(jìn)版的模型，Cohen等人在模型外力中，為了使得模型輪廓在圖像同質(zhì)區(qū)域內(nèi)能夠穩(wěn)定的進(jìn)行收斂，增加了一項(xiàng)氣球膨脹力。Xv等人提出的GVF(GradientVectorFlow)模型和廣義GVF（GeneralizedGVF）模型，這兩個(gè)模型在擴(kuò)大外力作用范圍上有很大的幫助

8、，同時(shí)也可以擴(kuò)大收斂的凹陷區(qū)域。Li等人提出的VFC(Vector